Impala：架构及组件

Impala概述

Impala是一个实时查询工具，主要目标是使SQL-on-Hadoop操作足够快速高效，它提高了大数据在hadoop上的sql查询性能，Impala是对大数据查询工具的补充。Impala不取代基于MapReduce构建的批处理框架，如Hive。

Impala直接读取存储在HDFS、HBase或亚马逊对象存储服务（S3）的数据。除了与Hive使用相同的存储平台以外，impala还与Hive使用相同的元数据、SQL语法（Hive SQL）、ODBC驱动程序和用户界面（HUE中的Impala查询UI）。

基于MapReduce的Hive和其他框架（如spark）适合于长时间运行的批处理作业，例如涉及提取、转换和加载（ETL）类型的批处理作业。而impala则较适合用来做交互式查询。

为了避免延迟，Impala绕过MapReduce，通过专门的分布式查询引擎直接访问数据，这种查询引擎与商用的分布式RDBMSs中的查询引擎非常相似。这样的结果是性能比hive快一个数量级，这取决于查询和配置的类型。

Impala是如何在Apach Hadoop上运作的

Impala如何适应Hadoop生态系统

Impala利用了Hadoop生态系统中许多熟悉的组件。Impala可以将数据与其他Hadoop组件（作为使用者和生产者）互换，因此可以灵活地将其放入ETL和ELT管道中。

Impala如何与Hive配合使用

Impala的主要目标是使SQL-on-Hadoop操作足够快速高效，在实际应用中，它利用了许多Hadoop用户现有的Hive数据来执行长时间运行、面向批处理的SQL查询。

Impala能够使用Hive保存在MySQL或PostgreSQL中的元数据信息，并在相同数据库中存放一些自己的元数据信息，这个MySQL或PostgreSQL被称为metastore，只要所有列使用Impala支持的数据类型、文件格式和压缩编解码器，Impala就可以访问Hive定义或加载的表。

Impala的Metadata 和Metastore概述

如上所述，Impala在一个称为metastore的数据库中维护表的元数据信息，同时还保存一些更加低级别的元数据信息，如HDFS中块的物理位置等。

对于具有大量数据或多个分区的表，检索表的所有元数据是非常耗时的，在某些情况下需要几分钟。因此，每个Impala节点缓存这些全部的元数据，以便将来针对同一个表进行查询。

如果表的元数据或表中的数据已更新，则群集中的所有其他Impalad进程必须接收最新的元数据，替换过时的缓存元数据，然后再对该表进行查询。在Impala 1.2及更高版本中，元数据更新是自动的，通过Catalog进程协调。

对于通过Hive对表进行的修改，或手动对HDFS中的文件所做的更改，则仍然需要使用REFRESH语句（当新数据文件添加到现有表中时）或INVALIDATA语句（对于全新的表，或在删除表、执行HDFS rebalance 操作或删除数据文件后）。执行INVALIDATE METADATA将检索metastore跟踪的所有表的元数据。如果知道只有特定的表被Impala之外的程序更改（如Hive），则可以为每个受影响的表执行REFRESH table_name，以仅检索这些表的最新元数据。

Impala如何使用HDFS

Impala使用分布式文件系统HDFS作为其主要数据存储介质。Impala依靠HDFS提供的冗余来防止单个节点上的硬件或网络中断。Impala表数据在HDFS中物理地表示为数据文件，使用熟悉的HDFS文件格式和压缩编解码器。当数据文件出现在新表的目录中时，Impala会读取所有数据文件，而不考虑文件名。新数据将添加到名称由Impala控制的文件中。

Impala可以部署在DataNode相同的节点上，这样Impala可以直接读取本地的文件，而大大减少网络传输消耗的资源。

Impala如何使用HBase

HBase作为Impala数据存储介质HDFS的替代品。是一个建立在HDFS之上的数据库存储系统，没有内置的SQL支持。许多Hadoop用户已经配置了它，并在其中存储了大量（通常是稀疏的）数据集。通过在Impala中定义表并将其映射到HBase中的等价表，可以通过Impala查询HBase表的内容，甚至可以执行包括Impala表和HBase表在内的联接查询。

Impala如何完成一次查询

1.  用户通过提供标准化SQL接口，如ODBC或JDBC客户端等，发送一条SQL给Impala，可以发送给集群中任意一个Impalad，这个Impalad会成为这条查询语句的协调器。
2. Impala解析条SQL，并进行分析，决定Impala实例需要执行哪些task，以获得执行的最高效率。
3. HDFS和HBase等存储服务会为本机的Impala实例提供数据。
4. 每个Impala实例将数据返回给最初的那台协调器，并由它将结果返回给客户端。

Impala的架构

Clients：包括Hue、ODBC客户端、JDBC客户端和Impala Shell都可以与Impala交互。

Hive Metastore：Impala可以使用Hive的元数据信息，通过hive的元数据，impala可以获得Hive的databases以及这些databases的结构。当你通过Impala SQL创建、删除、修改表结构、加载数据进表，相关的元数据就会被修改，并被自动广播至所有impala节点。

Impala：Impala会运行在DataNodes上，用于协调和执行查询语句。每个Impala实例都可以接收、计划和协调来自Impala客户端的查询语句。查询工作会分布在Impala节点之间，然后这些节点会作为worker，并行执行这些查询语句。

HBase and HDFS：用于存储被查询的数据。

Impala的组件

Impalad

Impala是一个分布式的、大规模并行处理（MPP）数据库引擎。Impala只有一个核心的Impalad进程，分布在集群中的特定主机上。

Impalad是impala的守护进程，作为impala的核心组件，它有以下几个重要的功能：

1. 读取和写入数据文件。
2. 接受从impala shell命令、Hue、JDBC或ODBC传输的查询。
3. 将查询并行化，并在集群中分配工作。
4. 将中间查询结果传输回中央协调员。

Impalad可以通过下列方式部署：

1. 如果hdfs与impala处于同一集群，则impalad与DataNode部署在相同的机器上。
2. Impala单独部署在计算集群中，从HDFS、S3、ADL等远程读取数据。

Impalad与StateStore进行持续通信，以确认哪些守护进程是健康的并且可以接受新任务。它们还接收来自catalogd进程（在Impala 1.2中引入）的广播消息，只要有任何Impala集群中的守护进程创建、更改、删除database或table，或者通过Impala执行INSERT或LOAD DATA语句。catalogd将REFRESH或INVALIDATE元数据信息。在Impala 1.2之前则是由Impala守护进程之间协调元数据。

Statestore

StateStore组件用于检查集群中所有Impala守护进程的运行状况，并且不断地将它的发现传递给每个守护进程。

如果impalad由于硬件故障、网络错误、软件问题或其他原因导致故障，StateStore会通知所有其他Impalad进程，在之后的查询就可以避免向无法访问的Impalad进程发出请求。

Catalog

Catalog组件用于将元数据变化发送给集群中的impalad进程，它由一个名为catalogd的守护进程表示。只需要在一台机器上启动这个服务。Catalog和StateStore需要运行在同一台机器上的，因为requests是通过StateStore进程传递的。

--load_catalog_in_background 选项可以控制何时加载表的元数据。

• 如果设置为false，则在首次引用表时会加载表的元数据。这意味着第一次运行可能会比较慢。从Impala 2.2开始，默认 --load_catalog_in_background值为false。
• 如果设置为true，即使没有查询需要该元数据，Catalog服务也会尝试加载表的元数据。因此，在运行需要元数据的第一个查询时，元数据可能已经被加载。但是，由于以下原因，建议不要将选项设置为true。
  • 后台加载可能会干扰查询的元数据加载。如在启动时或invalidating 元数据之后，查询所需要的元数据可能还没被加载或已经被删除。其持续时间取决于元数据的数量，并且可能随机导致查询的运行时间变长，难以诊断。
  • Impala可能会为可能从未使用过的表加载元数据，这可能会增加Catalog大小，从而增加Catalog服务和Impalad的内存使用率。